Classificação Dinâmica de Nós em Redes em Malha Sem Fio
4.3 DyLaN – Dynamic Labeling of Nodes
seja, nós que não sejam roteadores, tipicamente têm Fwd(v) igual a zero. Fwd(v) tem peso dois pelo fato dos bytes reencaminhados chegarem e saírem do nó v.
A partir da carga de tráfego, o coeficiente βt é calculado: βt(v) = Load(v)
∑i∈N(v)Load(i)
, (4-5)
onde Load(i) é a carga de tráfego de um nó i vizinho a v e N(v) é o conjunto de vizinhos do nó v.
A métrica LLBC é então definida da seguinte forma:
LLBC(v) = CEgo(v) · βt(v). (4-6)
Apesar da métrica LLBC ter sido proposta para tratar alterações dinâmicas na rede, a avaliação apresentada em [77] trata apenas cenários estáticos. Além disso, a avaliação não trata cenários convencionais que podem levar à classificação inapropriada dos nós, como mostraremos na Seção5.2.
4.3 DyLaN – Dynamic Labeling of Nodes
As WMNs são inerentemente dinâmicas, tanto em sua topologia quanto no tráfego de rede que flui através delas. Nesse contexto, estabelecemos três premissas sobre as quais uma métrica que avalia a importância relativa de nós em uma WMN deve ser construída:
• Premissa 1 – a posição topológica de um nó e o tráfego atual de pacotes neste nó são os principais elementos para definir o nível de importância relativa do nó na rede;
• Premissa 2 – a função de encaminhar pacotes de outros nós deve afetar o nível de importância do nó, mas o tamanho do impacto deve ser adaptável;
• Premissa 3 – o histórico do cálculo da importância relativa do nó deve ser levada em consideração.
A premissa 1 foi construída a partir dos conceitos de métricas de centralidade que utilizam a posição topológica do nó para atribuir sua importância relativa. Além disso, a métrica LLBC mostrou também a relevância do tráfego de pacotes que passa pelo nó. Para a premissa 2, observamos que apesar de uma métrica para WMN levar em consideração o fluxo de tráfego, o peso atribuído ao encaminhamento de pacotes afeta a classificação da importância relativa do nó. Por exemplo, um peso atribuído de maneira incorreta resulta em uma classificação inadequada. Em algumas WMNs, tais como a Wireless Leiden, há uma grande variação no fluxo de tráfego que passa por um nó ao longo do tempo. Uma
4.3 DyLaN – Dynamic Labeling of Nodes 50
classificação da importância relativa do nó que desconsidera valores anteriores do fluxo de tráfego, pode ser inadequada. Deste modo, criamos a premissa 3.
Nós verificamos que a métrica LLBC é capaz de satisfazer com êxito a Premissa 1. Porém, LLBC não satisfaz a Premissa 2 e a Premissa 3, como discutimos a seguir e também mostramos com os resultados experimentais na Seção5.2. Nesse contexto, pro- pomos a métrica Dynamic Labeling of Nodes (DyLaN) para suplantar essas limitações. A métrica LLBC conta cada byte enviado duas vezes, uma vez que cada byte encaminhado entra e sai do roteador. Isso é intuitivo, porém o impacto dos pacotes encaminhados no tráfego da rede está relacionado com os menores caminhos estabelecidos pelo protocolo de roteamento e a localização das fontes de tráfego. Dependendo de quais nós geram tráfego e do volume de tráfego, o peso dos pacotes encaminhados deve ser adaptável. Mostramos na Seção5.2.1que LLBC pode não avaliar corretamente os nós mais impor- tantes no cenário proposto pelos autores se simplesmente ligarmos à fonte de tráfego em um nó diferente. Isso significa que LLBC falha em suportar a Premissa 2. De modo a evitar essa desvantagem, projetamos DyLaN empregando um peso adaptável WF para os pacotes encaminhados:
Load(v) = In(v) + Out(v) +WF· Fwd(v). (4-7) Essa versão adaptável de Load(v) pode representar adequadamente a influência da carga de tráfego na importância de um nó v. Além disso, utilizamos também o coeficiente de carga βt(v) na métrica DyLaN como descrito na Equação4-5.
Além da carga de tráfego, uma WMN apresenta outras características que va- riam no tempo, tais como a qualidade dos enlaces e a topologia da rede. Para lidar com essa dinâmica, a métrica LLBC é regularmente recalculada. Cada novo cálculo de LLBC abrange apenas o passado recente anterior ao último cálculo, ou seja, LLBC somente ava- lia a última janela de tempo. Os autores da métrica LLBC não estabelecem o tamanho da janela de tempo, mas eles fazem testes com o valor de 10 segundos. Não obstante, LLBC é avaliada em uma plataforma de experimentação que permanece estável durante 10 minutos e LLBC também apresenta uma tendência para a estabilidade. Os autores de LLBC também fizeram alguns testes em um ambiente emulado que exibiu um comporta- mento mais dinâmico. Contudo, eles somente apresentaram os valores médios da métrica LLBC sem qualquer informação relacionada com a variância. Mostramos na Seção5.2.2 que LLBC apresenta uma grande variância, sugerindo uma informação instável sobre as centralidades dos nós ao longo do tempo. Isso significa que LLBC não satisfaz a Premissa 3.
De forma a lidar com o comportamento dinâmico de WMNs e fornecer uma informação estável sobre as centralidades dos nós, desenvolvemos nossa métrica utili- zando uma média móvel ponderada exponencial (exponentially weighted moving average
4.4 Conclusão 51
– EWMA). O valor de centralidade de um nó v com a métrica DyLaN é calculado da seguinte forma:
Lt(v) = Lt−1(v) ·WH+ βt(v) ·CEgo(v) · (1 −WH), (4-8) onde t ∈ N∗, L0(v) = 0 e Lt−1(v) é o cálculo anterior da métrica. WH é o peso do cálculo anterior da métrica, sendo definida no intervalo 0 ≤ WH ≤ 1. Como esperado, a estabilidade da métrica DyLaN aumenta a medida que WH aumenta. Uma avaliação mais detalhada de como WHafeta o cálculo de DyLaN é apresentada na Seção5.2.2.
Neste trabalho, focamos na avaliação da métrica DyLaN em WMNs, mas nossa métrica tem o potencial de ser usada em outras redes tecnológicas e não tecnológicas que exibem comportamento dinâmico e possuam fluxo de informação entre os nós.
4.4 Conclusão
Neste capítulo, revisamos o conceito de centralidade de ponte e a literatura relacionada. Uma das centralidades revisadas foi a métrica LLBC – Localized Load-aware Bridging Centrality. Para suplantar limitações na métrica LLBC, propusemos a métrica DyLaN – Dynamic Labeling of Nodes. A métrica DyLaN define um peso adaptável para os pacotes encaminhados e também utiliza uma média móvel ponderada exponencial para lidar com o comportamento dinâmico de WMNs.
No capítulo seguinte, apresentamos um estudo de caso da modelagem que propomos para a criação e atualização de WMNs. Além disso, realizamos um exemplo de aplicação da modelagem, onde os dados de fluxo foram utilizados para avaliar as métricas LLBC e DyLaN. Posteriormente, na segunda parte, avaliamos as métricas de centralidades utilizando dados de WMNs reais.